课程简介

AI 编码工具普及后，开发者的工时并没有变长，变长的是决策密度：被打断后平均 23 分钟才能回到原任务，80% 的 AI 生成内容仍需人工返工，每次调用前还要比较用哪个模型、哪个组合、贵不贵——注意力正在成为开发者最贵的资产，也是企业工程效能最大的隐性成本。

 行业数据显示，“哪个模型便宜”是个伪命题：Databricks 基准测得同一模型换执行框架成本差超 2 倍、成本排序直接翻转，成本是“模型 × harness”的联合属性；Anthropic、Cursor 已把智能路由做成基础设施，公开收益为成本降约 85% 与 68%。

 本次分享提出“复杂性分两种”的工程划分：操作复杂性交给前台 Harness（自愈、硬拦），决策复杂性交给后台智能路由（难度判断、组合匹配、全程对账），并给出三条技术路线选型、可照抄的自建 eval 方法论与“决策成本 < 被决策调用 1/10”的上线判据。

 课程收益

目标：

1、帮助听众建立一套可落地的智能路由选型框架，理解什么时候应该做路由、应该在模型、Harness 和供应商之间如何选择，并明确删库、费用、边界、权限、回滚等自动化底线。

2、提供一套可直接复用的企业自建 Eval 方法。使团队能够在当天开始验证自己的路由策略，而不是依赖公开 Benchmark 做判断。

3、帮助企业从“让开发者自己不断做选择”，转向“让系统承担高频判断”，通过降低注意力成本，让 AI 真正成为降低工作负担的基础设施。

 成功要点：

1、智能路由成立的前提，是不同执行组合之间确实存在足够大的效率差。真正需要优化的不是单独一个模型，而是“模型 × Harness × 供应商”的完整组合。

2、智能路由面对的不是静态配置，而是持续变化的供应链。企业无法靠一次选型长期获得最优结果，而需要持续采样、动态决策。

3、行业已经出现多条可验证的智能路由路径。企业可以通过自己的真实工作负载建立内部基准，对不同模型与 Harness 组合进行持续评估。

4、企业自建 Eval 是智能路由真正落地的基础。评测时必须同时记录质量和每任务成本，否则无法判断路由到底是在优化效率，还是仅仅转移了成本。

5、路由系统本身也需要被约束和验收。在固定 Eval 上，质量不下降的前提下，平均每任务成本是否真正下降。

 启示：

智能路由的价值，并不是帮企业找到一个永远“最好”的模型，而是把原本需要开发者反复完成的模型选择、工具选择和成本判断，转化为系统可以持续执行和优化的工程能力。随着模型能力、价格和供应链不断变化，企业真正需要沉淀的是一套能够根据自身业务目标，持续选择合适“模型 × Harness × 供应商”组合的决策系统。

 受众人群

产品专家、营销专家、营销算法负责人、产品开发人员、平台架构师、开发者、CTO、产品团队负责人以及其他对Agent产品感兴趣的从业者。

课程周期

    0.5天（3H） 

课程大纲